煤田地质与勘探

作者：林海飞, 刘时豪, 周捷, 徐培耘, 双海清,

关键词：瓦斯涌出量, 机器学习, 周期趋势分解, 集成经验模态分解, 时序预测,

瓦斯涌出量准确预测可为矿井通风及瓦斯灾害防治措施提供重要依据。为提高采煤工作面瓦斯涌出量预测精度，根据陕西黄陵某矿采煤工作面绝对瓦斯涌出量监测数据，应用基于局部加权回归的周期趋势分解(Seasonal-Trend decomposition procedure based on Loess, STL)，将监测数据分解成趋势项、周期项和不规则波动项；利用集成经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)，将不规则波动项分解得到不同特征尺度的IMFs(Intrinsic Mode Functions, IMFs)分量以及残差余量；通过遗传算法(Genetic Algorithms, GA)参数寻优后的支持向量回归机(Support Vector Regression, SVR)，对各项分解数据进行预测；叠加各分量模型预测结果，得到最终瓦斯涌出量预测结果。结果表明：在预测集为247、147和70组3种情景下，对比分析了STL-EEMD-GA-SVR模型(简称SEGS)、EEMD-GA-SVR模型、GA-SVR模型和高斯过程回归(Gaussian Process Regression, GPR)模型的评价指标精度，其中，SEGS模型最优，拟合度R2分别为0.81、0.92、0.99，峰值点平均相对误差最低，分别为3.15%、2.33%、1.04%。所构建的SEGS模型可以准确预测采煤工作面的瓦斯涌出量。

来源：2022年第12期

《煤田地质与勘探》期刊编辑部

查看煤田地质与勘探杂志2022年第12期